يُعتبر استخدام صور الاستشعار عن بُعد البصرية وصور الاستشعار بالرادار (SAR) لتقدير ارتفاع المباني ذا أهمية كبيرة لفهم شكل المدينة وتحسين استخدام المساحات في المخزون العمراني. ومع ذلك، تعاني مجموعات البيانات الحالية من عدة قيود: بسبب قلة عدد العينات، يصعب تلبية متطلبات استخراج المعلومات القائمة على التعلم العميق من صور الاستشعار عن بُعد، كما أن المناطق التي تغطيها العينات محدودة ولا توفر تنوعًا جغرافيًا وتمثيلاً جيدًا للخصائص المكانية، وخاصة مجموعات بيانات ارتفاع المباني واسعة النطاق في الصين نادرة للغاية. بالإضافة إلى ذلك، فإن قلة مفتوحية مصدر هذه المجموعات تقيد استخدامها والتحقق منها في دراسات أوسع. لحل هذه المشاكل، أنشأت هذه الدراسة مجموعة بيانات BHDSI (مجموعة بيانات تقدير ارتفاع المباني بناءً على صور Sentinel) الموجهة للتعلم العميق، والتي تشمل المناطق المركزية لـ62 مدينة في الصين، مع 5606 عينة تشمل مشاهد حضرية وريفية، مما يجعلها أكبر مجموعة بيانات لارتفاع المباني من حيث التغطية في الصين. تحتوي هذه المجموعة على صور الاستشعار عن بُعد من Sentinel-1 وSentinel-2 وقيم حقيقية لارتفاع المباني، وأبعاد العينات 256×256، وهي أكبر من مجموعات البيانات ذات 64×64، مما يوفر خيارًا مهمًا لأبحاث تقدير ارتفاع المباني. مقارنةً بالمجموعات الأخرى، تتميز هذه المجموعة بعدد كبير من العينات، تغطية واسعة، سهولة الوصول، وتوزيع منطقي لارتفاعات المباني، مما يلبي احتياجات التدريب لشبكات التعلم العميق بشكل أفضل. استنادًا إلى ذلك، قامت الدراسة بتقييم مجموعة بيانات BHDSI ومجموعات مشابهة باستخدام نفس الشبكة العميقة، وقارنت أداء عدة شبكات عند استخدامها لمهمة توقع ارتفاع المباني باستخدام مجموعة BHDSI، مع تحليل معمق لمزايا وعيوب الشبكات المختلفة. أظهرت النتائج أن مجموعة بيانات BHDSI تتفوق في أداء مهمة توقع ارتفاع المباني مقارنة بالمجموعات الأخرى. كشفت التحليلات الإضافية أن دقة التقدير تكون أعلى في المناطق ذات ارتفاع المباني المنخفض عند استخدام BHDSI. علاوة على ذلك، يحقق استخدام مفكك الشيفرة U-Net في تدريب الشبكة مدى دقة أعلى في تقدير ارتفاع المباني. خلاصة القول، توفر مجموعة بيانات BHDSI دعمًا هامًا لأبحاث تقدير ارتفاع المباني المستقبلية.

صور سينتينيل; ارتفاع المباني; مجموعة بيانات; التعلم العميق; الشبكات العصبية الالتفافية